JP7326574B1 - 美容レベル推定システム、美容レベル推定方法、及び総合健康度推定システム及び総合健康度推定方法 - Google Patents
美容レベル推定システム、美容レベル推定方法、及び総合健康度推定システム及び総合健康度推定方法 Download PDFInfo
- Publication number
- JP7326574B1 JP7326574B1 JP2022190464A JP2022190464A JP7326574B1 JP 7326574 B1 JP7326574 B1 JP 7326574B1 JP 2022190464 A JP2022190464 A JP 2022190464A JP 2022190464 A JP2022190464 A JP 2022190464A JP 7326574 B1 JP7326574 B1 JP 7326574B1
- Authority
- JP
- Japan
- Prior art keywords
- pet
- beauty
- beauty level
- diversity data
- correlation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000003796 beauty Effects 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000036541 health Effects 0.000 title claims description 26
- 241001465754 Metazoa Species 0.000 claims abstract description 87
- 238000004364 calculation method Methods 0.000 claims abstract description 67
- 244000005709 gut microbiome Species 0.000 claims abstract description 50
- 235000013305 food Nutrition 0.000 claims description 39
- 230000000968 intestinal effect Effects 0.000 claims description 32
- 241000894006 Bacteria Species 0.000 claims description 12
- 230000003814 hair luster Effects 0.000 claims description 5
- 230000037237 body shape Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 36
- 241000282472 Canis lupus familiaris Species 0.000 description 29
- 241000282326 Felis catus Species 0.000 description 19
- 208000027418 Wounds and injury Diseases 0.000 description 15
- 230000006378 damage Effects 0.000 description 15
- 201000010099 disease Diseases 0.000 description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 15
- 208000014674 injury Diseases 0.000 description 15
- 230000002550 fecal effect Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 11
- 108020004414 DNA Proteins 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 239000002932 luster Substances 0.000 description 9
- 238000012163 sequencing technique Methods 0.000 description 8
- 241000981595 Zoysia japonica Species 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 108020004465 16S ribosomal RNA Proteins 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 5
- 239000011324 bead Substances 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 238000011282 treatment Methods 0.000 description 5
- 108091093088 Amplicon Proteins 0.000 description 4
- 241000283973 Oryctolagus cuniculus Species 0.000 description 4
- 230000001580 bacterial effect Effects 0.000 description 4
- 230000037396 body weight Effects 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 4
- 239000002537 cosmetic Substances 0.000 description 4
- 235000005686 eating Nutrition 0.000 description 4
- 241000894007 species Species 0.000 description 4
- 238000007400 DNA extraction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- GUAHPAJOXVYFON-ZETCQYMHSA-N (8S)-8-amino-7-oxononanoic acid zwitterion Chemical compound C[C@H](N)C(=O)CCCCCC(O)=O GUAHPAJOXVYFON-ZETCQYMHSA-N 0.000 description 2
- 241000271566 Aves Species 0.000 description 2
- 108010067770 Endopeptidase K Proteins 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 2
- PXIPVTKHYLBLMZ-UHFFFAOYSA-N Sodium azide Chemical compound [Na+].[N-]=[N+]=[N-] PXIPVTKHYLBLMZ-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003505 heat denaturation Methods 0.000 description 2
- 206010025482 malaise Diseases 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 108091032973 (ribonucleotides)n+m Proteins 0.000 description 1
- OHVLMTFVQDZYHP-UHFFFAOYSA-N 1-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)-2-[4-[2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidin-5-yl]piperazin-1-yl]ethanone Chemical compound N1N=NC=2CN(CCC=21)C(CN1CCN(CC1)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)=O OHVLMTFVQDZYHP-UHFFFAOYSA-N 0.000 description 1
- WZFUQSJFWNHZHM-UHFFFAOYSA-N 2-[4-[2-(2,3-dihydro-1H-inden-2-ylamino)pyrimidin-5-yl]piperazin-1-yl]-1-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)ethanone Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)N1CCN(CC1)CC(=O)N1CC2=C(CC1)NN=N2 WZFUQSJFWNHZHM-UHFFFAOYSA-N 0.000 description 1
- NLXLAEXVIDQMFP-UHFFFAOYSA-N Ammonia chloride Chemical compound [NH4+].[Cl-] NLXLAEXVIDQMFP-UHFFFAOYSA-N 0.000 description 1
- 208000031295 Animal disease Diseases 0.000 description 1
- 208000000412 Avitaminosis Diseases 0.000 description 1
- 241000605059 Bacteroidetes Species 0.000 description 1
- 208000010392 Bone Fractures Diseases 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 206010006956 Calcium deficiency Diseases 0.000 description 1
- 241000938605 Crocodylia Species 0.000 description 1
- KCXVZYZYPLLWCC-UHFFFAOYSA-N EDTA Chemical compound OC(=O)CN(CC(O)=O)CCN(CC(O)=O)CC(O)=O KCXVZYZYPLLWCC-UHFFFAOYSA-N 0.000 description 1
- 241000192125 Firmicutes Species 0.000 description 1
- 206010021135 Hypovitaminosis Diseases 0.000 description 1
- 241000736262 Microbiota Species 0.000 description 1
- 241000566145 Otus Species 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 235000019270 ammonium chloride Nutrition 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000003968 anodic stripping voltammetry Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001962 electrophoresis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 239000000834 fixative Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000002538 fungal effect Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000012139 lysis buffer Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003097 mucus Anatomy 0.000 description 1
- 210000002346 musculoskeletal system Anatomy 0.000 description 1
- 102000042567 non-coding RNA Human genes 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 208000030401 vitamin deficiency disease Diseases 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
【課題】本発明は、動物の腸内細菌叢の多様性に関する多様性データと美容レベルとの相関関係に基づいて、ユーザが飼育する愛玩動物の美容レベルを算出する美容レベル推定システム及び美容レベル推定方法を提供することを目的とする。【解決手段】ユーザが飼育する愛玩動物の腸内細菌叢の多様性データを取得する取得部と、前記腸内細菌叢の多様性データと、愛玩動物の腸内細菌叢の多様性データと美容レベルとの相関関係とに基づいて、ユーザが飼育する愛玩動物の美容レベルを計算する計算部と、を備える美容レベル推定システム。【選択図】図２５
Description
本発明は、美容レベル推定システム、美容レベル推定方法、総合健康度推定システム及び総合健康度推定方法に関し、詳しくは、動物の腸内細菌叢の多様性に関するデータ（以下「多様性データ」という）と美容レベルとの相関関係に基づいて、飼育者（以下「ユーザ」ということがある）が飼育する愛玩動物の美容レベルを算出する美容レベル推定システム及び美容レベル推定方法、並びに、美容レベルと、多様性データと保険リスクとの相関関係に基づいて提示される保険リスクと、に基づいて総合健康度を算出する総合健康度推定システム及び総合健康度推定方法に関する。
犬や猫、ウサギを始めとする愛玩動物、牛や豚を始めとする家畜は、人間にとってかけがえのない存在である。近年、人間が飼育する動物の平均寿命が大幅に伸びた一方で、動物がその一生の中で何らかの傷病を患うことが多くなり、飼育者が負担する医療費の増大が問題となっている。
動物の健康を維持するためには、日頃の食事、運動などを通じた体調管理や不調への素早い対応が重要となるが、動物は、自己の言葉で体の不調を訴えることができないため、症状が進行して、外形的に観察可能な何らかの徴候が生じたときに飼育者が初めて動物の疾患の罹患に気付くのが実情である。また、カルシウムやビタミン不足等によって、筋骨格系が衰えている場合には、外形的な兆候が存在することは稀で、骨折等の怪我を被って初めて動物の異常に気付くのが実情である。
さらに、健康は美容と密接に関連しており、ヒトを含め健康な動物は毛艶が優れていたり、適正体重（痩せても太ってもいない状態）であったりするが、自分で飼育している動物と、飼育していない動物をじっくりと見比べることは少ないため、毛艶等の優劣を付けるのは難しい。特に、犬や猫など、品種ごとに毛艶や体格が大きく異なる動物の場合には、飼い主が毛艶等の優劣をつけるのは極めて難しい。愛玩動物の美容レベルを簡易に判定することができれば、ユーザが、愛玩動物の食生活といった生活面を見直すきっかけとなることが期待される。
そのため、簡易な方法で、動物の毛艶等の美容レベルを提示する手段が求められている。
特許文献１には、腸内細菌叢中、バクテロイデス門（Ｂａｃｔｅｒｏｉｄｅｔｅｓ）の細菌を増殖させ、ファーミキューテス門（Ｆｉｒｍｉｃｕｔｅｓ）の細菌を減少させることによって、腸内細菌叢を有効に調整又は改善する効果を有する腸内細菌叢調整又は改善組成物が開示されているが、動物の腸内細菌叢に関するデータから美容レベルを提示する方法については開示されていない。
そこで、本発明は、簡易な方法で、愛玩動物の美容レベルを提示することのできるシステムや方法を提供することを目的とする。
本発明者らは、ペット保険に加入している動物の多様性データと、動物の毛艶等の優劣に関する美容レベルを分析、検討した結果、動物の腸内細菌叢の多様性データを用いて動物ごとの美容レベルを予測できることを見出した。
さらに、本発明者らは、美容は、病気ではないが健康でもない状態、いわゆる未病かどうかを判断するのに適していることから当該美容レベルと、保険リスクとを組み合わせることによって総合健康度を予測できることを見出した。
すなわち、本発明は以下の［１］～［１２］である。
［１］ユーザが飼育する愛玩動物の腸内細菌叢の多様性データを取得する取得部と、前記腸内細菌叢の多様性データと、愛玩動物の腸内細菌叢の多様性データと美容レベルの相関関係とに基づいて、ユーザが飼育する愛玩動物の美容レベルを計算する計算部と、を備える美容レベル推定システム。
［２］前記取得部が、さらに、ユーザが飼育する愛玩動物の基礎情報を取得するものである［１］の美容レベル推定システム。
［３］前記美容レベルが、毛艶に関するレベル又は体形に関するレベルである［１］又は［２］の美容レベル推定システム。
［４］前記愛玩動物の腸内細菌叢の多様性データが、シャノン指数である［１］の美容レベル推定システム。
［５］前記計算部が、愛玩動物の基礎情報を元に算出された美容レベルを、前記愛玩動物の腸内細菌叢の多様性データを用いて導き出される美容変動因子に応じて修正することによって、美容レベルを算出するものである［２］の美容レベル推定システム。
［６］愛玩動物の基礎情報が、少なくとも品種及び年齢である［２］の美容レベル推定システム。
［７］ユーザが飼育する愛玩動物の腸内細菌叢の多様性データを取得する取得部と、学習済みモデルを用いて、前記取得部が取得した腸内細菌の多様性データからその愛玩動物の美容レベルを計算する計算部と、を備える美容レベル推定システムであって、前記学習済みモデルが、愛玩動物の腸内細菌叢の多様性データと、該愛玩動物の美容レベルとの関係を学習した学習済みモデルであることを特徴とする美容レベル推定システム。
［８］ユーザが飼育する愛玩動物の腸内細菌叢の多様性データを取得する取得部と、
前記腸内細菌叢の多様性データと、愛玩動物の腸内細菌叢の多様性データと美容レベルとの相関関係とに基づいて、ユーザが飼育する愛玩動物の美容レベルを計算する計算部と、前記腸内細菌叢の多様性データと、愛玩動物の腸内細菌叢の多様性データと保険リスクとの相関関係とに基づいて、ユーザが飼育する愛玩動物の保険リスクを計算するリスク計算部と、美容レベルと保険リスクに基づいて、健康度を計算する健康度計算部と、を備える総合健康度推定システム。
［９］愛玩動物の腸内細菌叢の多様性データを取得するステップと、コンピュータが、前記多様性データと、愛玩動物の腸内細菌叢の多様性データと美容レベルの相関関係とに基づいて、ユーザが飼育する愛玩動物の美容レベルを計算するステップと、を順に備える美容レベル推定方法。
［１０］さらに、ユーザが飼育する愛玩動物の基礎情報を取得するステップを備える［９］の美容レベル推定方法。
［１１］前記愛玩動物の基礎情報が、少なくとも品種及び年齢である［１０］の美容レベル推定方法。
［１２］前記ユーザが飼育する愛玩動物の多様性データと、愛玩動物の腸内細菌の多様性データと美容レベルの相関関係とに基づいて、ユーザが飼育する愛玩動物の美容レベルを計算するステップにおいて導き出された美容レベルを、ユーザが飼育する愛玩動物が食べるフードの情報に基づいて修正するステップを更に備える［１０］又は［１１］の美容レベル推定方法。
［１］ユーザが飼育する愛玩動物の腸内細菌叢の多様性データを取得する取得部と、前記腸内細菌叢の多様性データと、愛玩動物の腸内細菌叢の多様性データと美容レベルの相関関係とに基づいて、ユーザが飼育する愛玩動物の美容レベルを計算する計算部と、を備える美容レベル推定システム。
［２］前記取得部が、さらに、ユーザが飼育する愛玩動物の基礎情報を取得するものである［１］の美容レベル推定システム。
［３］前記美容レベルが、毛艶に関するレベル又は体形に関するレベルである［１］又は［２］の美容レベル推定システム。
［４］前記愛玩動物の腸内細菌叢の多様性データが、シャノン指数である［１］の美容レベル推定システム。
［５］前記計算部が、愛玩動物の基礎情報を元に算出された美容レベルを、前記愛玩動物の腸内細菌叢の多様性データを用いて導き出される美容変動因子に応じて修正することによって、美容レベルを算出するものである［２］の美容レベル推定システム。
［６］愛玩動物の基礎情報が、少なくとも品種及び年齢である［２］の美容レベル推定システム。
［７］ユーザが飼育する愛玩動物の腸内細菌叢の多様性データを取得する取得部と、学習済みモデルを用いて、前記取得部が取得した腸内細菌の多様性データからその愛玩動物の美容レベルを計算する計算部と、を備える美容レベル推定システムであって、前記学習済みモデルが、愛玩動物の腸内細菌叢の多様性データと、該愛玩動物の美容レベルとの関係を学習した学習済みモデルであることを特徴とする美容レベル推定システム。
［８］ユーザが飼育する愛玩動物の腸内細菌叢の多様性データを取得する取得部と、
前記腸内細菌叢の多様性データと、愛玩動物の腸内細菌叢の多様性データと美容レベルとの相関関係とに基づいて、ユーザが飼育する愛玩動物の美容レベルを計算する計算部と、前記腸内細菌叢の多様性データと、愛玩動物の腸内細菌叢の多様性データと保険リスクとの相関関係とに基づいて、ユーザが飼育する愛玩動物の保険リスクを計算するリスク計算部と、美容レベルと保険リスクに基づいて、健康度を計算する健康度計算部と、を備える総合健康度推定システム。
［９］愛玩動物の腸内細菌叢の多様性データを取得するステップと、コンピュータが、前記多様性データと、愛玩動物の腸内細菌叢の多様性データと美容レベルの相関関係とに基づいて、ユーザが飼育する愛玩動物の美容レベルを計算するステップと、を順に備える美容レベル推定方法。
［１０］さらに、ユーザが飼育する愛玩動物の基礎情報を取得するステップを備える［９］の美容レベル推定方法。
［１１］前記愛玩動物の基礎情報が、少なくとも品種及び年齢である［１０］の美容レベル推定方法。
［１２］前記ユーザが飼育する愛玩動物の多様性データと、愛玩動物の腸内細菌の多様性データと美容レベルの相関関係とに基づいて、ユーザが飼育する愛玩動物の美容レベルを計算するステップにおいて導き出された美容レベルを、ユーザが飼育する愛玩動物が食べるフードの情報に基づいて修正するステップを更に備える［１０］又は［１１］の美容レベル推定方法。
本発明により、簡易な方法で、愛玩動物の美容レベルを提示することのできる美容レベル推定システム、美容レベル推定方法、総合健康度推定システム及び総合健康度推定方法を提供することが可能となる。
先ずは、美容レベル推定システムの類似の形態である保険料算出システムについて説明する。保険料算出システムは、後記の美容レベル推定システムと共に、総合健康度推定システムを構築するうえで必要な構成要素である。
［保険料算出システム］
本発明の保険料算出システムは、腸内細菌叢の多様性データを取得する取得部と、前記ユーザが飼育する愛玩動物の多様性データ及び前記相関関係に基づいて、ユーザが飼育する愛玩動物の保険リスクを計算する計算部と、を備える。本発明の保険料算出システムは、取得部が、さらに、ユーザが飼育する愛玩動物の基礎情報を取得することが好ましい。また、本発明の保険料算出システムは、愛玩動物の腸内細菌叢の多様性データと保険リスクとの相関関係を設定する設定部をさらに備えることが好ましい。
本発明の保険料算出システムは、腸内細菌叢の多様性データを取得する取得部と、前記ユーザが飼育する愛玩動物の多様性データ及び前記相関関係に基づいて、ユーザが飼育する愛玩動物の保険リスクを計算する計算部と、を備える。本発明の保険料算出システムは、取得部が、さらに、ユーザが飼育する愛玩動物の基礎情報を取得することが好ましい。また、本発明の保険料算出システムは、愛玩動物の腸内細菌叢の多様性データと保険リスクとの相関関係を設定する設定部をさらに備えることが好ましい。
［システムの概要］
図１は、本開示の一実施形態に係る保険料算出システムの概要を説明する図である。図１に示すように、本実施形態に係る保険料算出システムは、サーバ１とユーザ端末２とを含む。サーバ１及び端末２は、ネットワークを介して接続される。サーバ１は、処理演算部（ＣＰＵ）１０と、記憶部２０と、インターフェイス部３０とを含む。なお、本発明におけるユーザには、愛玩動物の飼い主の他、代理人、ブリーダー等を含む。愛玩動物としては、犬、猫、ウサギ、鳥、爬虫類、両生類が挙げられるが、犬、猫、ウサギが好ましい。
図１は、本開示の一実施形態に係る保険料算出システムの概要を説明する図である。図１に示すように、本実施形態に係る保険料算出システムは、サーバ１とユーザ端末２とを含む。サーバ１及び端末２は、ネットワークを介して接続される。サーバ１は、処理演算部（ＣＰＵ）１０と、記憶部２０と、インターフェイス部３０とを含む。なお、本発明におけるユーザには、愛玩動物の飼い主の他、代理人、ブリーダー等を含む。愛玩動物としては、犬、猫、ウサギ、鳥、爬虫類、両生類が挙げられるが、犬、猫、ウサギが好ましい。
さらに、処理演算部（ＣＰＵ）１０は、計算部１１と予測計算部１２から構成され、記憶部２０は、少なくとも設定部２１から構成され、インターフェイス部３０は、取得部３１と出力部３２から構成される。設定部２１は、腸内細菌叢の多様性データと保険リスクの相関関係に係る数式、関数、テーブル又はソフトウェアを記憶しているという構成であってもよい。このような構成の場合、計算部１１が、ユーザが飼育する愛玩動物の基礎情報に基づいて設定部２１に記憶されている数式、関数、テーブル又はソフトウェアを呼び出し、ユーザが飼育する愛玩動物の多様性データに基づいて保険リスクを算出することができる。なお、保険リスクとは、保険金の支払い対象となる事象の発生確率の高さを示す指標である。保険金の支払い対象となる事象とは、動物保険における傷病である。保険リスクは保険料に反映され、リスクが高いほど保険料は上がり、リスクが低いほど保険料は下がる。なお、保険料とは、ユーザが保険会社の支払う金銭であり、保険金とは、事象発生時に保険会社がユーザに支払う金銭である。
ここで、計算部１１は、ユーザが飼育する愛玩動物の多様性データ及び前記相関関係に基づいて、ユーザが飼育する愛玩動物の保険リスクを計算する。図１の実施態様は、さらに予測計算部１２を備える。予測計算部１２は、愛玩動物に与えるフードの情報に基づいて、ユーザが飼育する愛玩動物の将来の保険リスクを予想するものであり、例えば、計算部１１が一旦算出した保険リスクを、フードの情報に基づいて修正をすることによって保険リスクを算出する。
また、設定部２１は、愛玩動物の腸内細菌叢の多様性データと保険リスクとの相関関係を設定する。
さらに、取得部３１は、腸内細菌叢の多様性データ、好ましくは、さらにユーザが飼育する愛玩動物の基礎情報を取得し、出力部３２は、計算部１１が算出した保険リスク、保険料、負担額等をユーザに送付する。
また、設定部２１は、愛玩動物の腸内細菌叢の多様性データと保険リスクとの相関関係を設定する。
さらに、取得部３１は、腸内細菌叢の多様性データ、好ましくは、さらにユーザが飼育する愛玩動物の基礎情報を取得し、出力部３２は、計算部１１が算出した保険リスク、保険料、負担額等をユーザに送付する。
［多様性データ］
多様性データとは、動物の腸内細菌叢の細菌の多様性に関連するデータである。腸内細菌叢の多様性が大きいということは、当該腸内細菌叢に様々な種類の菌が幅広く均等に含まれるということである。多様性データの指標、いわゆる多様性指数には幾つかの種類があるが、本発明では公知のいずれのものであってもよい。多様性指数としては、シャノン・ウィナーの多様性指数（以下「シャノン指数」と省略する場合がある）、シンプソン指数、シーケンサーにより検出されたユニーク配列の数（ａｍｐｌｉｃｏｎ ｓｅｑｕｅｎｃｅ ｖａｒｉａｎｔ：ＡＳＶ）、ＯＴＵ（ｏｐｅｒａｔｉｏｎａｌ ｔａｘｏｎｏｍｉｃ ｕｎｉｔ）数、Ｆａｉｔｈ’ｓ ＰＤ、Ｐｉｅｌｏｕ’ｓ ｅｖｅｎｅｓｓ等が挙げられる。
多様性データとは、動物の腸内細菌叢の細菌の多様性に関連するデータである。腸内細菌叢の多様性が大きいということは、当該腸内細菌叢に様々な種類の菌が幅広く均等に含まれるということである。多様性データの指標、いわゆる多様性指数には幾つかの種類があるが、本発明では公知のいずれのものであってもよい。多様性指数としては、シャノン・ウィナーの多様性指数（以下「シャノン指数」と省略する場合がある）、シンプソン指数、シーケンサーにより検出されたユニーク配列の数（ａｍｐｌｉｃｏｎ ｓｅｑｕｅｎｃｅ ｖａｒｉａｎｔ：ＡＳＶ）、ＯＴＵ（ｏｐｅｒａｔｉｏｎａｌ ｔａｘｏｎｏｍｉｃ ｕｎｉｔ）数、Ｆａｉｔｈ’ｓ ＰＤ、Ｐｉｅｌｏｕ’ｓ ｅｖｅｎｅｓｓ等が挙げられる。
［多様性データの測定］
腸内細菌叢の多様性データの測定は、ＮＧＳなどのシーケンサーを用いたアンプリコンシーケンス、ショットガンシーケンスなどの公知のメタゲノム解析法や細菌叢の解析方法を用いることができる。例えば、動物から糞便などの試料を採取し、試料中に含まれるあらゆる生物のＤＮＡやＲＮＡの塩基配列情報を次世代シーケンサーを用いて解析することによって、当該試料中に含まれる生物を同定する方法が挙げられる。好ましくは、試料中に含まれる１６ＳｒＲＮＡ遺伝子の全部又は一部を、必要に応じて増幅して、シーケンスを行い、得られた配列をソフトウェアを用いて解析し、試料中の細菌の組成データを得る方法が挙げられる。
腸内細菌叢の多様性データの測定は、ＮＧＳなどのシーケンサーを用いたアンプリコンシーケンス、ショットガンシーケンスなどの公知のメタゲノム解析法や細菌叢の解析方法を用いることができる。例えば、動物から糞便などの試料を採取し、試料中に含まれるあらゆる生物のＤＮＡやＲＮＡの塩基配列情報を次世代シーケンサーを用いて解析することによって、当該試料中に含まれる生物を同定する方法が挙げられる。好ましくは、試料中に含まれる１６ＳｒＲＮＡ遺伝子の全部又は一部を、必要に応じて増幅して、シーケンスを行い、得られた配列をソフトウェアを用いて解析し、試料中の細菌の組成データを得る方法が挙げられる。
ＮＧＳ（次世代シーケンサー）を利用した１６ＳｒＲＮＡ遺伝子のアンプリコン解析（メタ１６Ｓ解析）の一例を具体的に説明する。まず、ＤＮＡ抽出試薬を用いて試料よりＤＮＡを抽出し、抽出したＤＮＡからＰＣＲによって１６ＳｒＲＮＡ遺伝子を増幅する。その後、増幅したＤＮＡ断片についてＮＧＳを用いて網羅的に塩基配列を決定し、低クオリティリードやキメラ配列の除去を行った後、配列同士をクラスタリングしてＯＴＵ（Ｏｐｅｒａｔｉｏｎａｌ Ｔａｘｏｎｏｍｉｃ Ｕｎｉｔ）解析を行う。ＯＴＵとは、ある一定以上の類似性（例えば、９６～９７％以上の相同性）を持つ配列同士を一つの菌種のように扱うための操作上の分類単位である。従って、ＯＴＵ数は菌叢を構成する菌種の数を表し、同一のＯＴＵに属するリードの数はその種の相対的な存在量を表していると考えられる。また、各ＯＴＵに属するリード数の中から代表的な配列を選び、データベース検索により科名や属種名の同定が可能となる。このようにして、特定の科や門に属する菌種数を測定することができる。また、ＡＳＶ（Ａｍｐｌｉｃｏｎ Ｓｅｑｕｅｎｃｅ Ｖａｒｉａｎｔ）による解析も可能である。ＡＳＶは、ＰＣＲおよびシーケンシング中に生成された誤った配列を除去した後に作成されるため、１塩基単位の配列変異を区別でき、より細かい同定が可能である。本発明の保険料算出システムは、予め測定された多様性データを用いてもよく、ユーザから糞便サンプルを受領して多様性データを測定し、その多様性データを用いることもできる。予め測定された多様性データを用いる場合、ユーザは、例えば、腸内細菌の分析業者に糞便サンプルを送付し、腸内細菌叢の測定を依頼し、依頼を受けた分析業者から多様性データを受領する。ユーザはそのようにして受領した多様性データを、ユーザ端末を通じて本発明の保険料算出システムに送信することができる。また、依頼を受けた分析業者がユーザに代わって、本発明の保険料算出システムに、多様性データを送信するという構成であってもよい。
次に、本発明の技術的特徴について、詳細に説明する。
［多様性データに基づく保険リスクの計算］
以下、図３（モデル図）を参照しながら、多様性データに基づく保険リスクの計算方法の例について説明する。図３は、本実施形態に係る多様性データに基づく保険リスクの計算方法の一例を説明するためのグラフである。本グラフの縦軸は、保険リスクであり、横軸は多様性データである。具体的には、多様性指数（シャノン指数）が３．５（Ｄ１）のときには、保険リスク（Ｒ１）は１である。これは、多様性指数３．５の愛玩動物が傷病を患う確率は、全ての愛玩動物の平均と同様ということを意味する。言い換えると、全ての愛玩動物の平均治療費が５，０００円／月の場合は、多様性指数３．５の愛玩動物の治療費（飼主の負担額）も５，０００円／月になることを意味する。一方、多様性指数が３（Ｄ２）のときには、保険リスク（Ｒ２）は１．２である。これは、多様性指数３．５の愛玩動物の治療費は６，０００円になることを意味する。
［多様性データに基づく保険リスクの計算］
以下、図３（モデル図）を参照しながら、多様性データに基づく保険リスクの計算方法の例について説明する。図３は、本実施形態に係る多様性データに基づく保険リスクの計算方法の一例を説明するためのグラフである。本グラフの縦軸は、保険リスクであり、横軸は多様性データである。具体的には、多様性指数（シャノン指数）が３．５（Ｄ１）のときには、保険リスク（Ｒ１）は１である。これは、多様性指数３．５の愛玩動物が傷病を患う確率は、全ての愛玩動物の平均と同様ということを意味する。言い換えると、全ての愛玩動物の平均治療費が５，０００円／月の場合は、多様性指数３．５の愛玩動物の治療費（飼主の負担額）も５，０００円／月になることを意味する。一方、多様性指数が３（Ｄ２）のときには、保険リスク（Ｒ２）は１．２である。これは、多様性指数３．５の愛玩動物の治療費は６，０００円になることを意味する。
より具体的に説明すると、図８は、０～３歳のトイプードルの保険リスクを示したものであり、縦軸は保険リスク、横軸は多様性指数（シャノン指数）である。なお、統計学的な解析を行うために、多様性指数を４つの区分（（１）２.０以上、３.０未満、（２）３.０以上、４.０未満、（３）４.０以上、５.０未満、（４）５.０以上、６.０未満）に分けている。図８に記載の通り、０～３歳のトイプードルについて、多様性データと保険リスクに相関関係が存在することが解る。
［設定部］
サーバ又は記憶部は、愛玩動物の腸内細菌叢の多様性データと保険リスクとの相関関係を設定する設定部を備えていてもよい。ここでの相関関係とは、多様性データがどの程度であれば、保険リスクがどの程度であるか、という対応関係を示す情報である。相関関係は、多様性データを入力として保険リスクを出力とするモデル（関数）として捉えられてもよい。例えば、複数の愛玩動物の多様性データと、当該愛玩動物の傷病及び治療に掛かった費用とを統計的に処理することで、相関関係を設定する。なお、相関関係の設定に用いられた愛玩動物と、保険リスクの計算対象となるユーザが飼育する愛玩動物とは、原則的に別の個体である。
サーバ又は記憶部は、愛玩動物の腸内細菌叢の多様性データと保険リスクとの相関関係を設定する設定部を備えていてもよい。ここでの相関関係とは、多様性データがどの程度であれば、保険リスクがどの程度であるか、という対応関係を示す情報である。相関関係は、多様性データを入力として保険リスクを出力とするモデル（関数）として捉えられてもよい。例えば、複数の愛玩動物の多様性データと、当該愛玩動物の傷病及び治療に掛かった費用とを統計的に処理することで、相関関係を設定する。なお、相関関係の設定に用いられた愛玩動物と、保険リスクの計算対象となるユーザが飼育する愛玩動物とは、原則的に別の個体である。
また、ユーザの飼育する愛玩動物の基礎情報に基づいて相関関係を設定してもよい。なお、基礎情報としては、年齢及び品種が挙げられる。例えば、サーバは、ユーザが飼育する愛玩動物の基礎情報と類似する基礎情報を有する愛玩動物の多様性データと、当該愛玩動物の傷病及び治療に掛かった費用とを統計的に処理することで、相関関係を設定する。サーバには、基礎情報のカテゴリ（例えば、年齢、品種等）ごとの相関関係を予め構築しておき、ユーザが飼育する愛玩動物の基礎情報に対応するカテゴリの相関関係を設定してもよい。設定部は、システムを走らせる毎に相関関係を設定する必要はなく、設定部が一度設定した相関関係を以後計算部が継続して使用するという構成であってもよい。また、順次、保険リスクと多様性データに係るデータが更新されるごとに、相関関係を設定するという構成であってもよい。
多様性データと保険リスクとの相関関係が設定されることで、ユーザが飼育する愛玩動物の多様性データに基づく保険リスク及び保険料の計算を行うことが可能となる。
［保険料算出方法］
図２は、本開示の一実施形態に係る保険料算出方法の概要を説明する図である。
図２に示すように、本実施形態に係る保険料算出方法は、ユーザが飼育する愛玩動物の基礎情報、及び腸内細菌叢の多様性データを取得するステップＳ１と、愛玩動物の腸内細菌叢の多様性データと保険リスクとの相関関係を設定するステップＳ２と、前記ユーザが飼育する愛玩動物の多様性データ及び前記相関関係に基づいて、ユーザが飼育する愛玩動物の保険リスクを計算するステップＳ３と、を順に備える。
図２は、本開示の一実施形態に係る保険料算出方法の概要を説明する図である。
図２に示すように、本実施形態に係る保険料算出方法は、ユーザが飼育する愛玩動物の基礎情報、及び腸内細菌叢の多様性データを取得するステップＳ１と、愛玩動物の腸内細菌叢の多様性データと保険リスクとの相関関係を設定するステップＳ２と、前記ユーザが飼育する愛玩動物の多様性データ及び前記相関関係に基づいて、ユーザが飼育する愛玩動物の保険リスクを計算するステップＳ３と、を順に備える。
ここで、さらに、ユーザの飼育する愛玩動物の基礎情報を取得するステップをさらに備えることが好ましく、ユーザの飼育する愛玩動物の基礎情報に基づいて相関関係を設定することが好ましい。ユーザの飼育する愛玩動物の基礎情報に合わせた相関関係を設定することで、より愛玩動物に適した保険料を算出することができる。まず、基礎情報に基づいて仮の保険料を算出し、その後に、多様性データに基づく保険リスクを加味して、当該仮の保険料を修正して最終的に保険料を算出することがより好ましい。このように、基礎情報に基づく仮の保険料を、多様性データに基づく保険リスクを加味して修正する場合、仮の保険料を０．５～２．０倍の間で修正することが好ましい。本発明者らが見出したところによれば、多様性データに応じて、愛玩動物個体の保険リスクは、平均に比べて０．５～２．０倍の間で変化することが分かっている。また、基礎情報に基づいて予想される医療費を一旦算出し、その医療費を、多様性データに基づいて導き出される保険リスクに応じて修正して得られる医療費に基づいて保険料を算出してもよい。
さらに、ユーザが飼育する愛玩動物が食べるフードの情報に基づいて、ユーザが飼育する愛玩動物の将来的な保険リスクを予想するステップを備えていてもよい。愛玩動物が食べるフードによって多様性が上がるため、フードの情報を加味することで、将来的な保険料を算出することができる。
なお、保険料は、一般的には、動物の医療費に保険会社の負担率を掛け合せ、更に保険会社の手数料・運営費等を加えたものである。したがって、上記保険料算出システムが保険料を算出するのと同様の方法で、ユーザが負う金銭的負担（医療費）を予測することが可能である。
以下保険料算出システムの参考例を示す。
［参考例１］
（犬の選定）
保険契約期間内（１年）に腸内細菌叢の多様性指数を糞便試料から測定した約１１万個体について、同期間内の保険金請求から保険リスクを調査した。糞便試料採取前の傷病有無は考慮していないため、試料採取前から傷病を患っている個体も含まれる。
［参考例１］
（犬の選定）
保険契約期間内（１年）に腸内細菌叢の多様性指数を糞便試料から測定した約１１万個体について、同期間内の保険金請求から保険リスクを調査した。糞便試料採取前の傷病有無は考慮していないため、試料採取前から傷病を患っている個体も含まれる。
（糞便試料からのＤＮＡ抽出）
以下のようにして、各犬から糞便試料を採取し、ＤＮＡを抽出した。
犬の飼育者が糞便の採取キットを用いて、犬の糞便試料を採取した。当該糞便試料を受領し、固定液（10%EtOH、1.07%NH4Cl、5mM EDTA、0.09%NaN3）に懸濁した。
次に、糞便懸濁液200 uLとLysis buffer（224 ug/mLのProtenaseKを含む）810 uLをビーズチューブに添加し、ビーズ式ホモジナイザーにてビーズ破砕（6,000 rpm、破砕20秒、インターバル30秒、破砕20秒）を行った。その後、検体を70℃のヒートブロック上にて10分間静置することでProtenase Kによる処理を行い、続いて95℃のヒートブロック上にて5分間静置することでProtenase Kを不活化した。溶菌処理を行った検体はchemagic 360（PerkinElmer）を用い、chemagicキットstool用プロトコルにてDNAの自動抽出を行い、100 uLのDNA抽出液を得た。
以下のようにして、各犬から糞便試料を採取し、ＤＮＡを抽出した。
犬の飼育者が糞便の採取キットを用いて、犬の糞便試料を採取した。当該糞便試料を受領し、固定液（10%EtOH、1.07%NH4Cl、5mM EDTA、0.09%NaN3）に懸濁した。
次に、糞便懸濁液200 uLとLysis buffer（224 ug/mLのProtenaseKを含む）810 uLをビーズチューブに添加し、ビーズ式ホモジナイザーにてビーズ破砕（6,000 rpm、破砕20秒、インターバル30秒、破砕20秒）を行った。その後、検体を70℃のヒートブロック上にて10分間静置することでProtenase Kによる処理を行い、続いて95℃のヒートブロック上にて5分間静置することでProtenase Kを不活化した。溶菌処理を行った検体はchemagic 360（PerkinElmer）を用い、chemagicキットstool用プロトコルにてDNAの自動抽出を行い、100 uLのDNA抽出液を得た。
（メタ１６ＳＲＮＡ遺伝子シーケンス解析）
メタ16Ｓシーケンス解析はillumina 16S Metagenomic Sequencing Library Preparation（バージョン15044223 B）を改変して行った。まず、16S rRNA遺伝子の可変領域V3-V4を含む460 bpの領域をユニバーサルプライマー（Illumina_16S_341FおよびIllumina_16S_805RPCR）を用いたPCRで増幅した。PCR反応液は10 uLのDNA抽出液、0.05 uLの各プライマー（100 uM）、12.5 uLの2x KAPA HiFi Hot-Start ReadyMix（F. Hoffmann-La Roche、Switzerland）、2.4 uLのPCR grade waterを混合して調製した。PCRには95℃ ３分間の熱変性後、95℃ 30秒、55℃ 30秒、72℃ 30秒のサイクルを30回繰り返し、最後に72℃ 5分の伸長反応を行った。増幅産物は磁気ビーズを用いて精製し、50 uLのBuffer EB（QIAGEN、Germany）で溶出した。精製後の増幅産物はNextera XT Index Kit v2（illumina、CA、US）を用いてPCRを行い、インデックスを付加した。PCR反応液は2.5 uLの増幅産物、2.5 uLの各プライマー、12.5 uLの2x KAPA HiFi Hot-Start ReadyMix、5 uLのPCR grade waterを混合して調製した。PCRには95℃ ３分間の熱変性後、95℃ 30秒、55℃ 30秒、72℃ 30秒のサイクルを12回繰り返し、最後に72℃ 5分の伸長反応を行った。インデックス付加を行った増幅産物は磁気ビーズを用いて精製し、80-105 uLのBuffer EBで溶出した。各増幅産物の濃度はNanoPhotometer（Implen、CA、US）で測定し、1.4 nMに調製した後、等量ずつ混合し、これをシーケンス用ライブラリーとした。シーケンス用ライブラリーのDNA濃度および増幅産物のサイズを電気泳動にて確認し、これをMiSeqにより解析した。解析にはMiSeq Reagent Kit V3を用い、2×300 bpのペアエンドシーケンスを行った。得られた配列はＱＩＩＭＥ２という解析ソフトウェアにて解析し、細菌の組成データを得た。
上記で用いたユニバーサルプライマーの配列は以下のとおりである。このユニバーサルプライマーは市販されているものを購入することができる。
Illumina_16S_341F
5′-TCGTCGGCAGCGTCAGATGTGTATAAGAGACAGCCTACGGGNGGCWGCAG- 3’
llumina_16S_805R
5′-GTCTCGTGGGCTCGGAGATGTGTATAAGAGACAGGACTACHVGGGTATCTAATCC- 3’
メタ16Ｓシーケンス解析はillumina 16S Metagenomic Sequencing Library Preparation（バージョン15044223 B）を改変して行った。まず、16S rRNA遺伝子の可変領域V3-V4を含む460 bpの領域をユニバーサルプライマー（Illumina_16S_341FおよびIllumina_16S_805RPCR）を用いたPCRで増幅した。PCR反応液は10 uLのDNA抽出液、0.05 uLの各プライマー（100 uM）、12.5 uLの2x KAPA HiFi Hot-Start ReadyMix（F. Hoffmann-La Roche、Switzerland）、2.4 uLのPCR grade waterを混合して調製した。PCRには95℃ ３分間の熱変性後、95℃ 30秒、55℃ 30秒、72℃ 30秒のサイクルを30回繰り返し、最後に72℃ 5分の伸長反応を行った。増幅産物は磁気ビーズを用いて精製し、50 uLのBuffer EB（QIAGEN、Germany）で溶出した。精製後の増幅産物はNextera XT Index Kit v2（illumina、CA、US）を用いてPCRを行い、インデックスを付加した。PCR反応液は2.5 uLの増幅産物、2.5 uLの各プライマー、12.5 uLの2x KAPA HiFi Hot-Start ReadyMix、5 uLのPCR grade waterを混合して調製した。PCRには95℃ ３分間の熱変性後、95℃ 30秒、55℃ 30秒、72℃ 30秒のサイクルを12回繰り返し、最後に72℃ 5分の伸長反応を行った。インデックス付加を行った増幅産物は磁気ビーズを用いて精製し、80-105 uLのBuffer EBで溶出した。各増幅産物の濃度はNanoPhotometer（Implen、CA、US）で測定し、1.4 nMに調製した後、等量ずつ混合し、これをシーケンス用ライブラリーとした。シーケンス用ライブラリーのDNA濃度および増幅産物のサイズを電気泳動にて確認し、これをMiSeqにより解析した。解析にはMiSeq Reagent Kit V3を用い、2×300 bpのペアエンドシーケンスを行った。得られた配列はＱＩＩＭＥ２という解析ソフトウェアにて解析し、細菌の組成データを得た。
上記で用いたユニバーサルプライマーの配列は以下のとおりである。このユニバーサルプライマーは市販されているものを購入することができる。
Illumina_16S_341F
5′-TCGTCGGCAGCGTCAGATGTGTATAAGAGACAGCCTACGGGNGGCWGCAG- 3’
llumina_16S_805R
5′-GTCTCGTGGGCTCGGAGATGTGTATAAGAGACAGGACTACHVGGGTATCTAATCC- 3’
上記方法に従って、０歳以上、３歳以下の全犬種について、腸内細菌叢の組成データを得て、QIIME2を用いて多様性指数（シャノン指数、ＡＳＶ指数）の測定を行った。なお、外れ値を除外したためシャノン指数の場合は105335個体、ＡＳＶ指数の場合は105677個体を有効個体数とした。
（傷病・保険金請求の確認）
上記全犬種について、保険期間内に保険金支払請求があったか否かを調査した。上記の通り、糞便試料採取前の傷病有無は考慮していないため、試料採取前から傷病を患っている個体も含まれる。
上記全犬種について、保険期間内に保険金支払請求があったか否かを調査した。上記の通り、糞便試料採取前の傷病有無は考慮していないため、試料採取前から傷病を患っている個体も含まれる。
（相関関係図）
上記の実験で得られた多様性データと保険リスクとの相関関係を図４、図６～１３に示す。縦軸は保険リスク、横軸は多様性指数である。
図５は、図４（犬の品種限定なし、０－３歳）の相関分析の結果であり、多様性データと保険リスクの間には相関関係が成立することがわかる。
相関係数：-0.97（負の相関）
近似式：y = -0.2078x + 1.8795、
決定係数：R2 = 0.9438
上記の実験で得られた多様性データと保険リスクとの相関関係を図４、図６～１３に示す。縦軸は保険リスク、横軸は多様性指数である。
図５は、図４（犬の品種限定なし、０－３歳）の相関分析の結果であり、多様性データと保険リスクの間には相関関係が成立することがわかる。
相関係数：-0.97（負の相関）
近似式：y = -0.2078x + 1.8795、
決定係数：R2 = 0.9438
０歳以上、３歳以下の犬以外でも相関関係が示せることを説明するため、他の条件での相関関係を調査した（図１４～１６）。
図１４は、０歳～７歳の全犬種（１３６０３３個体）についての多様性データと保険リスクとの相関関係図である。この結果から、０歳以上、３歳以下だけでなく、４歳以上においても多様性データと保険リスクの間には相関関係があることがわかる。
また、図１５は、多様性指数をシャノン指数ではなくＡＳＶ指数に変更した図である（１０５６７７個体）。多様性指数を変更しても多様性データと保険リスクの間には相関関係が成立することがわかる。
さらに、図１６は、０歳以上、３歳以下の全猫種（３６３１２個体）についての多様性データと保険リスクとの相関関係図である。犬だけでなく、他の愛玩動物でも多様性データと保険リスクの間には相関関係が成立することがわかる。なお、猫の多様性については、実施例３、４において詳細に説明を行う。
図１４は、０歳～７歳の全犬種（１３６０３３個体）についての多様性データと保険リスクとの相関関係図である。この結果から、０歳以上、３歳以下だけでなく、４歳以上においても多様性データと保険リスクの間には相関関係があることがわかる。
また、図１５は、多様性指数をシャノン指数ではなくＡＳＶ指数に変更した図である（１０５６７７個体）。多様性指数を変更しても多様性データと保険リスクの間には相関関係が成立することがわかる。
さらに、図１６は、０歳以上、３歳以下の全猫種（３６３１２個体）についての多様性データと保険リスクとの相関関係図である。犬だけでなく、他の愛玩動物でも多様性データと保険リスクの間には相関関係が成立することがわかる。なお、猫の多様性については、実施例３、４において詳細に説明を行う。
（シミュレーション）
先ず、犬種限定の無い０－３歳の平均医療費は年間１００，０００円であり、５０％補償の年間７０，０００円（内手数料・運営費等が２０，０００円）の動物保険商品が存在すると仮定する。ここで、年齢２歳、多様性データ４．３の柴犬Ａに保険料を提示するシミュレーションする。
先ず、年齢と品種から「柴・０－３歳」の相関関係を設定する（図１０）。ここで、柴犬Ａは、多様性データが４．３であるから、保険リスクは約０．９と計算される。したがって、柴犬Ａの医療費は９０，０００円と予測される。ここで５０％補償の保険商品であるから、４５，０００円に手数料・運営費等が２０，０００円を加えて６５，０００円が提示される。
先ず、犬種限定の無い０－３歳の平均医療費は年間１００，０００円であり、５０％補償の年間７０，０００円（内手数料・運営費等が２０，０００円）の動物保険商品が存在すると仮定する。ここで、年齢２歳、多様性データ４．３の柴犬Ａに保険料を提示するシミュレーションする。
先ず、年齢と品種から「柴・０－３歳」の相関関係を設定する（図１０）。ここで、柴犬Ａは、多様性データが４．３であるから、保険リスクは約０．９と計算される。したがって、柴犬Ａの医療費は９０，０００円と予測される。ここで５０％補償の保険商品であるから、４５，０００円に手数料・運営費等が２０，０００円を加えて６５，０００円が提示される。
［参考例２］
本発明者らの研究の結果、市販のドライフードを１種類のみ食べていたポメラニアンと、ドライフードを２種類併用して食べていたポメラニアンを比較すると、後者は多様性指数（シャノン指数）が約０．２上昇することがわかった（４．２→４．４）。すなわち、１種類のドライフードのみを食べていたポメラニアンが、２種類のドライフードを併用して食べ始めたという情報を加えることで、多様性指数が０．２程度上昇し、将来的な保険リスクが０．１程度低下することを予想できる（図１３）。前記シミュレーションに当てはめると、ユーザに対して医療費が１０，０００円、保険料が５，０００円程度低下することを提示することができる。
本発明者らの研究の結果、市販のドライフードを１種類のみ食べていたポメラニアンと、ドライフードを２種類併用して食べていたポメラニアンを比較すると、後者は多様性指数（シャノン指数）が約０．２上昇することがわかった（４．２→４．４）。すなわち、１種類のドライフードのみを食べていたポメラニアンが、２種類のドライフードを併用して食べ始めたという情報を加えることで、多様性指数が０．２程度上昇し、将来的な保険リスクが０．１程度低下することを予想できる（図１３）。前記シミュレーションに当てはめると、ユーザに対して医療費が１０，０００円、保険料が５，０００円程度低下することを提示することができる。
［参考例３］
（猫の選定）
保険契約期間内（１年）に腸内細菌叢の多様性指数を糞便試料から測定した約１１万個体について、同期間内の保険金請求から保険リスクを調査した。糞便試料採取前の傷病有無は考慮していなため、試料採取前から傷病を患っている個体も含まれる。
（猫の選定）
保険契約期間内（１年）に腸内細菌叢の多様性指数を糞便試料から測定した約１１万個体について、同期間内の保険金請求から保険リスクを調査した。糞便試料採取前の傷病有無は考慮していなため、試料採取前から傷病を患っている個体も含まれる。
（糞便試料からのＤＮＡ抽出・メタ１６ＳＲＮＡ遺伝子シーケンス解析）
犬と同様の方法で、０歳以上、３歳以下の全猫種について、腸内細菌叢の組成データを得て、ＱＩＩＭＥ２を用いて多様性指数（シャノン指数）の測定を行った。なお、外れ値を除外したためシャノン指数は３６３１２個体を有効個体数とした。
犬と同様の方法で、０歳以上、３歳以下の全猫種について、腸内細菌叢の組成データを得て、ＱＩＩＭＥ２を用いて多様性指数（シャノン指数）の測定を行った。なお、外れ値を除外したためシャノン指数は３６３１２個体を有効個体数とした。
（傷病・保険金請求の確認）
上記全猫種について、保険期間内に保険金支払請求があったか否かを調査した。上記の通り、糞便試料採取前の傷病有無は考慮していないため、試料採取前から傷病を患っている個体も含まれる。
上記全猫種について、保険期間内に保険金支払請求があったか否かを調査した。上記の通り、糞便試料採取前の傷病有無は考慮していないため、試料採取前から傷病を患っている個体も含まれる。
（相関関係図）
上記の実験で得られた多様性データと保険リスクとの相関関係を図１６に示す。縦軸は保険リスク、横軸は多様性指数である。
図１７は、図１６（猫の品種限定なし、０－３歳）の相関分析の結果であり、多様性データと保険リスクの間には相関関係が成立することがわかる。
相関係数：-0.93（負の相関）
近似式：y = -0.1862x + 2.0147、
決定係数：R2 = 0.8712
上記の実験で得られた多様性データと保険リスクとの相関関係を図１６に示す。縦軸は保険リスク、横軸は多様性指数である。
図１７は、図１６（猫の品種限定なし、０－３歳）の相関分析の結果であり、多様性データと保険リスクの間には相関関係が成立することがわかる。
相関係数：-0.93（負の相関）
近似式：y = -0.1862x + 2.0147、
決定係数：R2 = 0.8712
また、図１８は（猫の品種限定なし、０歳）についての多様性データと保険リスクとの相関関係を示した図であり、図１９は（猫の品種限定なし、１歳）における相関関係を示した図である。０－３歳の合計だけでなく、年齢ごとに分けても相関関係が成立することが解る。
さらに、図２０は（スコティッシュ・フォールド、０－３歳）についての多様性データと保険リスクとの相関関係を示した図であり、図２１は（混血種、０－３歳）における相関関係を示した図である。品種ごとに分析しても相関関係が成立することが解る。
さらに、図２２は、０歳以上、７歳以下の全猫種（４５４００個体）についての多様性データと保険リスクとの相関関係図である。この結果から、０歳以上、３歳以下だけでなく、４歳以上においても多様性データと保険リスクの間には相関関係があることがわかる。また、犬だけでなく、猫の場合も同様に多様性データと保険リスクに相関関係が存在することが解る。
（シミュレーション）
先ず、猫種限定の無い０－３歳の平均医療費は年間１００，０００円であり、５０％補償の年間７０，０００円（内手数料・運営費等が２０，０００円）の動物保険商品が存在すると仮定する。ここで、年齢２歳、多様性データ５．８のスコティッシュ・フォールドＡに保険料を提示するシミュレーションする。
先ず、年齢と品種から「スコティッシュ・フォールド・０－３歳」の相関関係を設定する（図２０）。ここで、スコティッシュ・フォールドＡは、多様性データが５．８であるから、保険リスクは約０．８と計算される。したがって、スコティッシュ・フォールドＡの医療費は８０，０００円と予測される。ここで５０％補償の保険商品であるから、４０，０００円に手数料・運営費等が２０，０００円を加えて６０，０００円が提示される。
先ず、猫種限定の無い０－３歳の平均医療費は年間１００，０００円であり、５０％補償の年間７０，０００円（内手数料・運営費等が２０，０００円）の動物保険商品が存在すると仮定する。ここで、年齢２歳、多様性データ５．８のスコティッシュ・フォールドＡに保険料を提示するシミュレーションする。
先ず、年齢と品種から「スコティッシュ・フォールド・０－３歳」の相関関係を設定する（図２０）。ここで、スコティッシュ・フォールドＡは、多様性データが５．８であるから、保険リスクは約０．８と計算される。したがって、スコティッシュ・フォールドＡの医療費は８０，０００円と予測される。ここで５０％補償の保険商品であるから、４０，０００円に手数料・運営費等が２０，０００円を加えて６０，０００円が提示される。
［参考例４］
本発明者らの研究の結果、フードを１種類のみ食べていた犬と、フードを２種類以上併用して食べていた犬を比較すると、後者は多様性指数（シャノン指数）が上昇することがわかった（図２３）。猫についても同様の結果が得られた（図２４）。すなわち、１種類のフードを食べていた愛玩動物が、２種類以上併用して食べ始めたという情報を加えることで、食べ始めたフードの種類数に応じて、多様性指数が上昇し、将来的な保険リスクが低下することを予想できる。すなわち、ユーザに対して、複数のフードを食べさせることで医療費がいくら下がるのかを提示できる。なお、本発明において、フードの銘柄や加工方法（ドライフードなのかフレッシュフードなのか）の情報については考慮していない。一般に市販されているペットフードは、総合栄養食であるものがほとんどであり、フードの銘柄や加工方法が多様性指数に与える影響は、フードの種類数が多様性指数に与える影響と比較すると、小さいためである。
本発明者らの研究の結果、フードを１種類のみ食べていた犬と、フードを２種類以上併用して食べていた犬を比較すると、後者は多様性指数（シャノン指数）が上昇することがわかった（図２３）。猫についても同様の結果が得られた（図２４）。すなわち、１種類のフードを食べていた愛玩動物が、２種類以上併用して食べ始めたという情報を加えることで、食べ始めたフードの種類数に応じて、多様性指数が上昇し、将来的な保険リスクが低下することを予想できる。すなわち、ユーザに対して、複数のフードを食べさせることで医療費がいくら下がるのかを提示できる。なお、本発明において、フードの銘柄や加工方法（ドライフードなのかフレッシュフードなのか）の情報については考慮していない。一般に市販されているペットフードは、総合栄養食であるものがほとんどであり、フードの銘柄や加工方法が多様性指数に与える影響は、フードの種類数が多様性指数に与える影響と比較すると、小さいためである。
［参考例４-１］
フードを１種類のみ食べていた犬と、フードを３種類併用して食べていた犬を比較すると、後者は多様性指数（シャノン指数）が約０．０２５程度上昇する（図２３）。１種類のフードを食べていた実施例１の柴犬Ａが、３種類併用して食べ始めたという情報を加えることで、柴犬Ａの多様性が４．３から４．３２５まで上昇することが考えられ、「柴・０－３歳」の相関関係（図１０）を参照することで、保険リスクが約０．９から約０．８９に低下すると予測できる。したがって、前記シミュレーションにあてはめると、ユーザに対して医療費が１０００円程度低下するという予測を提示できる。
フードを１種類のみ食べていた犬と、フードを３種類併用して食べていた犬を比較すると、後者は多様性指数（シャノン指数）が約０．０２５程度上昇する（図２３）。１種類のフードを食べていた実施例１の柴犬Ａが、３種類併用して食べ始めたという情報を加えることで、柴犬Ａの多様性が４．３から４．３２５まで上昇することが考えられ、「柴・０－３歳」の相関関係（図１０）を参照することで、保険リスクが約０．９から約０．８９に低下すると予測できる。したがって、前記シミュレーションにあてはめると、ユーザに対して医療費が１０００円程度低下するという予測を提示できる。
［参考例４-２］
本発明者らの研究の結果、市販のドライフードを１種類のみ食べている猫と、ドライフードを３種類食べている猫を比較すると、後者は多様性指数（シャノン指数）が約０．０３上昇する（図２４）。すなわち、１種類のドライフードのみを食べていたスコティッシュ・フォールドＡが、３種類併用して食べ始めたという情報を加えることで、スコティッシュ・フォールドＡの多様性が５．８から５．８３まで上昇することが考えられ、「スコティッシュ・フォールド・０－３歳」の相関関係（図２０）を参照することで、保険リスクが０．８から０．７９に低下すると予測できる。したがって、前記シミュレーションにあてはめると、ユーザに対して医療費が１０００円程度低下するという予測を提示できる。
本発明者らの研究の結果、市販のドライフードを１種類のみ食べている猫と、ドライフードを３種類食べている猫を比較すると、後者は多様性指数（シャノン指数）が約０．０３上昇する（図２４）。すなわち、１種類のドライフードのみを食べていたスコティッシュ・フォールドＡが、３種類併用して食べ始めたという情報を加えることで、スコティッシュ・フォールドＡの多様性が５．８から５．８３まで上昇することが考えられ、「スコティッシュ・フォールド・０－３歳」の相関関係（図２０）を参照することで、保険リスクが０．８から０．７９に低下すると予測できる。したがって、前記シミュレーションにあてはめると、ユーザに対して医療費が１０００円程度低下するという予測を提示できる。
［美容レベル推定システム］
次に、本発明の美容レベル推定システムについて説明する。美容レベル推定システムは、前記の保険料算出システムと共に、総合健康度推定システムを構築する構成要素となり得るものである。総合健康度推定システムを構築する際に、美容レベル推定システムと保険料算出システムは、それぞれ別のシステムを用意してもよいし、同一システム上に、美容レベル推定と保険料算出という２つの機能を持たせてもよい。
次に、本発明の美容レベル推定システムについて説明する。美容レベル推定システムは、前記の保険料算出システムと共に、総合健康度推定システムを構築する構成要素となり得るものである。総合健康度推定システムを構築する際に、美容レベル推定システムと保険料算出システムは、それぞれ別のシステムを用意してもよいし、同一システム上に、美容レベル推定と保険料算出という２つの機能を持たせてもよい。
本発明の美容レベル推定システムは、腸内細菌叢の多様性データを取得する取得部と、ユーザが飼育する愛玩動物の美容レベルと多様性データの相関関係に基づいてユーザが飼育する愛玩動物の美容レベルを計算する計算部と、を備える。本発明の美容レベル推定システムは、取得部が、さらに、ユーザが飼育する愛玩動物の基礎情報を取得することが好ましい。さらに、本発明の美容レベル推定システムは、愛玩動物の腸内細菌叢の多様性データと美容レベルとの相関関係を設定する設定部をさらに備えることが好ましい。さらに、本発明の美容レベル推定システムは、愛玩動物に与えるフードの情報に基づいて、ユーザが飼育する愛玩動物の将来の美容レベルを予測する予測計算部を備えることが好ましい。
［取得部］
取得部については、前記の保険料算出システムで用いたものと同様である。
取得部については、前記の保険料算出システムで用いたものと同様である。
［計算部］
計算部は、愛玩動物の腸内細菌叢の多様性データと、愛玩動物の腸内細菌叢の多様性データと美容レベルの相関関係とに基づいて、ユーザが飼育する愛玩動物の美容レベルを計算する。計算部は、例えば、ＣＰＵなどの演算装置から構成され、腸内細菌叢の多様性データと美容レベルの相関関係に係る数式、関数、テーブル又はソフトウェアを用いて処理、演算、計算を行う。
計算部は、愛玩動物の腸内細菌叢の多様性データと、愛玩動物の腸内細菌叢の多様性データと美容レベルの相関関係とに基づいて、ユーザが飼育する愛玩動物の美容レベルを計算する。計算部は、例えば、ＣＰＵなどの演算装置から構成され、腸内細菌叢の多様性データと美容レベルの相関関係に係る数式、関数、テーブル又はソフトウェアを用いて処理、演算、計算を行う。
計算部は、愛玩動物の基礎情報を元に算出された美容レベルを、前記愛玩動物の腸内細菌叢の多様性データを用いて導き出される美容変動因子に応じて修正することによって、美容レベルを算出するものであってもよい。例えば、年齢や品種といった基礎情報をもとにして、仮の美容レベルを算定し、その後、その仮の美容レベルを美容変動因子に応じて修正する。美容変動因子とは、愛玩動物の腸内細菌叢の多様性データと美容レベルとの相関関係をもとにして設定される変数であり、例えば、０．０１～３．０、好ましくは０．１～２．０の範囲の中で設定される数値である。具体例として、美容変動因子が０．５である場合、基礎データをもとにして算定された仮の美容レベル（この場合は具体的な数値）を０．５倍することによって、最終的な美容レベルが算出される。
［多様性データ］
多様性データとは、動物の腸内細菌叢の細菌の多様性に関連するデータであり、測定方法を含め、前記の保険料算出システムで用いたものと同様である。
多様性データとは、動物の腸内細菌叢の細菌の多様性に関連するデータであり、測定方法を含め、前記の保険料算出システムで用いたものと同様である。
［設定部］
サーバ又は記憶部は、愛玩動物の腸内細菌叢の多様性データと保険リスクとの相関関係を設定する設定部を備えていてもよい。ここでの相関関係とは、多様性データがどの程度であれば、美容レベルがどの程度であるか、という対応関係を示す情報である。相関関係は、多様性データを入力として美容レベルを出力とするモデル（関数）として捉えられてもよい。例えば、複数の愛玩動物の多様性データと、当該愛玩動物の美容に関する情報（例えば毛艶）とを統計的に処理することで、相関関係を設定する。なお、相関関係の設定に用いられた愛玩動物と、美容レベルの計算対象となるユーザが飼育する愛玩動物とは、原則的に別の個体である。
サーバ又は記憶部は、愛玩動物の腸内細菌叢の多様性データと保険リスクとの相関関係を設定する設定部を備えていてもよい。ここでの相関関係とは、多様性データがどの程度であれば、美容レベルがどの程度であるか、という対応関係を示す情報である。相関関係は、多様性データを入力として美容レベルを出力とするモデル（関数）として捉えられてもよい。例えば、複数の愛玩動物の多様性データと、当該愛玩動物の美容に関する情報（例えば毛艶）とを統計的に処理することで、相関関係を設定する。なお、相関関係の設定に用いられた愛玩動物と、美容レベルの計算対象となるユーザが飼育する愛玩動物とは、原則的に別の個体である。
また、ユーザの飼育する愛玩動物の基礎情報に基づいて相関関係を設定してもよい。なお、基礎情報としては、年齢及び品種が挙げられる。例えば、サーバは、ユーザが飼育する愛玩動物の基礎情報と類似する基礎情報を有する愛玩動物の多様性データと、当該愛玩動物の美容に関する情報とを統計的に処理することで、相関関係を設定する。サーバには、基礎情報のカテゴリ（例えば、年齢、品種等）ごとの相関関係を予め構築しておき、ユーザが飼育する愛玩動物の基礎情報に対応するカテゴリの相関関係を設定してもよい。設定部は、システムを走らせる毎に相関関係を設定する必要はなく、設定部が一度設定した相関関係を以後計算部が継続して使用するという構成であってもよい。また、順次、美容レベルと多様性データに係るデータが更新されるごとに、相関関係を設定するという構成であってもよい。
［美容レベル推定システムの概要］
図２５は、本開示の一実施形態に係る美容レベル推定システムの概要を説明する図である。図２５に示すように、本実施形態に係る美容レベル推定システムは、サーバ４とユーザ端末５とを含む。サーバ４及び端末５は、ネットワークを介して接続される。サーバ４は、処理演算部（CPU）４０と、記憶部５０と、インターフェイス部６０とを含む。なお、本発明におけるユーザには、愛玩動物の飼い主の他、代理人、ブリーダー等を含む。愛玩動物としては、犬、猫、ウサギ、鳥が挙げられるが、犬、猫が好ましい。
図２５は、本開示の一実施形態に係る美容レベル推定システムの概要を説明する図である。図２５に示すように、本実施形態に係る美容レベル推定システムは、サーバ４とユーザ端末５とを含む。サーバ４及び端末５は、ネットワークを介して接続される。サーバ４は、処理演算部（CPU）４０と、記憶部５０と、インターフェイス部６０とを含む。なお、本発明におけるユーザには、愛玩動物の飼い主の他、代理人、ブリーダー等を含む。愛玩動物としては、犬、猫、ウサギ、鳥が挙げられるが、犬、猫が好ましい。
さらに、本実施形態において、処理演算部（CPU）４０は、計算部４１と予測計算部４２から構成され、記憶部５０は、少なくとも設定部５１から構成され、インターフェイス部６０は、取得部６１と出力部６２から構成される。設定部５１は、腸内細菌叢の多様性データと美容レベルの相関関係に係る数式、関数、テーブル又はソフトウェアを記憶しているという構成であってもよい。このような構成の場合、計算部４１が、ユーザが飼育する愛玩動物の基礎情報に基づいて設定部５１に記憶されている数式、関数、テーブル又はソフトウェアを呼び出し、ユーザが飼育する愛玩動物の多様性データに基づいて美容レベルを算出することができる。なお、美容レベルとは、愛玩動物の見た目の良し悪しのレベル（水準）を表すものであり、例えば、愛玩動物の毛艶や毛並みの良し悪し、適正体重かどうか、体形の良し悪し、肌つやなどの皮膚の状態、目やに、目の濁りといったものが挙げられる。美容レベルは、レベル（水準）であるので、絶対値ではなく、平均値と比較した場合の相対値やクラス分けした際のクラスといった形でアウトプットすることが好ましい。偏差値という形で数値で表示することも可能である。美容レベルの具体的なアウトプットとしては、特に制限されず、例えば、毛艶、毛並み、適正体重かどうか、体形といった各項目ごとのレベルをアウトプットする、或いは、各項目毎のレベルを合計や平均値を算出するなどして総合点を算出し、総合点に沿った評価値をアウトプットするという形式でもよい。アウトプット形式は、上述のように偏差値などの相対的な数値を表示する方法、「良い」、「ふつう」、「悪い」といったクラス分けを表示する方法、「＋１」、「＋２」、「０」、「－１」といったように平均値と比較した場合の値を表示する方法などが挙げられる。
ここで、計算部４１は、ユーザが飼育する愛玩動物の多様性データ及び前記相関関係に基づいて、ユーザが飼育する愛玩動物の美容レベルを計算する。図２５の実施態様は、さらに予測計算部４２を備える。予測計算部４２は、愛玩動物に与えるフードの情報に基づいて、ユーザが飼育する愛玩動物の将来の美容レベルを予想するものであり、例えば、計算部４１が一旦算出した美容レベルを、フードの情報に基づいて修正をすることによって美容レベルを算出する。
また、設定部５１は、愛玩動物の腸内細菌叢の多様性データと美容レベルとの相関関係を設定する。上記のように予め相関関係に関する数式や関数などを記憶していてもよく、新たに相関関係に基づいて数式や関数を設定するという構成でもよい。
さらに、取得部６１は、腸内細菌叢の多様性データ、好ましくは、さらにユーザが飼育する愛玩動物の基礎情報を取得し、出力部６２は、計算部４１が算出した美容レベル等をユーザに送付する。
また、設定部５１は、愛玩動物の腸内細菌叢の多様性データと美容レベルとの相関関係を設定する。上記のように予め相関関係に関する数式や関数などを記憶していてもよく、新たに相関関係に基づいて数式や関数を設定するという構成でもよい。
さらに、取得部６１は、腸内細菌叢の多様性データ、好ましくは、さらにユーザが飼育する愛玩動物の基礎情報を取得し、出力部６２は、計算部４１が算出した美容レベル等をユーザに送付する。
［美容レベル推定方法］
図２６は、本開示の一実施形態に係る美容レベル推定方法の概要を説明する図である。図２６に示すように、本実施形態に係る美容レベル推定方法は、ユーザが飼育する愛玩動物の基礎情報、及び腸内細菌叢の多様性データを取得するステップＳ１１と、愛玩動物の腸内細菌叢の多様性データと美容レベルとの相関関係を設定するステップＳ１２と、前記ユーザが飼育する愛玩動物の多様性データ及び前記相関関係に基づいて、ユーザが飼育する愛玩動物の美容レベルを計算するステップＳ１３と、を順に備える。
図２６は、本開示の一実施形態に係る美容レベル推定方法の概要を説明する図である。図２６に示すように、本実施形態に係る美容レベル推定方法は、ユーザが飼育する愛玩動物の基礎情報、及び腸内細菌叢の多様性データを取得するステップＳ１１と、愛玩動物の腸内細菌叢の多様性データと美容レベルとの相関関係を設定するステップＳ１２と、前記ユーザが飼育する愛玩動物の多様性データ及び前記相関関係に基づいて、ユーザが飼育する愛玩動物の美容レベルを計算するステップＳ１３と、を順に備える。
ここで、さらに、ユーザの飼育する愛玩動物の基礎情報を取得するステップをさらに備えることが好ましく、ユーザの飼育する愛玩動物の基礎情報に基づいて美容レベルを調整することが好ましい。ユーザの飼育する愛玩動物の基礎情報を加味することで、より愛玩動物に適した美容レベルを算出することができる。例えば、年齢が５歳という情報を加えることで、図２７ではなく、図２８の相関関係を採用することができるため、当該愛玩動物の毛艶レベルをより正確に推定することが可能になる。
さらに、ユーザが飼育する愛玩動物が食べるフードの情報に基づいて、ユーザが飼育する愛玩動物の将来的な美容レベルを予想するステップＳ１４を備えていてもよい。前記保険料算出システムでも説明した通り、愛玩動物が食べるフードによって多様性が上がるため、フードの情報を加味することで、将来的な美容レベルを算出することができる。
［学習済みモデルを用いた態様］
本発明の美容レベル推定システムは、学習済みモデルを採用したものであってもよい。すなわち、本発明の他の実施形態に係る美容レベル推定システムは、ユーザが飼育する愛玩動物の腸内細菌叢の多様性データを取得する取得部と、学習済みモデルを用いて、前記取得部が取得した腸内細菌の多様性データからその愛玩動物の美容レベルを計算する計算部と、を備える美容レベル推定システムであって、前記学習済みモデルが、愛玩動物の腸内細菌叢の多様性データと、該愛玩動物の美容レベルとの関係を学習した学習済みモデルであることを特徴とするものである。
本発明の美容レベル推定システムは、学習済みモデルを採用したものであってもよい。すなわち、本発明の他の実施形態に係る美容レベル推定システムは、ユーザが飼育する愛玩動物の腸内細菌叢の多様性データを取得する取得部と、学習済みモデルを用いて、前記取得部が取得した腸内細菌の多様性データからその愛玩動物の美容レベルを計算する計算部と、を備える美容レベル推定システムであって、前記学習済みモデルが、愛玩動物の腸内細菌叢の多様性データと、該愛玩動物の美容レベルとの関係を学習した学習済みモデルであることを特徴とするものである。
学習済みモデルは、例えば、教師あり学習や教師なし学習によって生成することができる。教師あり学習の場合の教師データとしては、例えば、動物の腸内細菌叢の多様性データとその動物の美容レベルに関するデータやラベルが挙げられる。
教師データとして用いる美容レベルを特定する方法としては、例えば、飼い主へのアンケート、ペット保険の申込時の記載、トリマーなどの専門家からのアンケート、などに基づいて美容レベルを特定する方法が挙げられる。
学習済みモデルとしては、人工知能（ＡＩ）が好ましい。人工知能（ＡＩ）とは、人間の脳が行っている知的な作業をコンピュータで模倣したソフトウェアやシステムであり、具体的には、人間の使う自然言語を理解したり、論理的な推論を行ったり、経験から学習したりするコンピュータプログラムなどのことをいう。人工知能としては、汎用型、特化型のいずれであってもよく、具体的には、ロジスティック回帰、決定木、ｋ平均法、多層パーセプトロン、再帰型ニューラルネットワーク、ディープニューラルネットワーク、畳み込みニューラルネットワーク等の公知のもののいずれであってもよく、公開されているソフトウェアを使用することができる。
学習済みモデルを生成するために、人工知能を学習させる。学習としては、機械学習とディープラーニング（深層学習）のいずれであってもよいが、ディープラーニングが好ましい。ディープラーニングは、機械学習を発展させたものであり、特徴量を自動的に見つけ出す点に特徴がある。
学習済みモデルを生成するための学習方法としては、特に制限されず、公開されているソフトウェアやライブラリを用いることができる。学習方法は転移学習であってもよい。例えば、NVIDIAが公開しているDIGITS (the Deep Learning GPU Training System)を用いることができる。また、例えば、人工知能（ニューラルネットワーク）としてResNet、MobileNetやEfficientNetを使用し、機械学習ライブラリ(Deep Learningライブラリ)としてPytorchなどを用いて転移学習により学習済みモデルを生成することができる。その他、例えば、「サポートベクターマシン入門」（共立出版）等において公開されている公知のサポートベクターマシンを用いてもよい。
本発明者らは、参考例で示すように、動物の腸内細菌叢の多様性データと当該動物の美容レベルとの間には相関関係があることを見出している。そのため、動物の腸内細菌叢の多様性データと当該動物の美容レベルと教師データとして用いて学習を行えば、愛玩動物の腸内細菌叢の多様性データと、該愛玩動物の美容レベルとの関係を学習した学習済みモデル、特に、入力を愛玩動物の腸内細菌叢の多様性データとし、出力を当該愛玩動物の美容レベルとする学習済みモデルが得られる。
［総合健康度推定システム］
さらに本発明は、前記美容レベルと保険リスクとに基づいて総合健康度を算出する総合健康度推定システムを提供する。ここで、総合健康度に関する指標は、ユーザが適宜設定することができる。例えば、美容レベルは未病（病気ではないが健康でもない状態）かどうかを判断する指標である一方で、保険リスクは顕在化している疾病を反映する指標であるから、それぞれのウェイトを調整してから足し合わせるといった仕様でも良い。具体的には、保険リスクから、美容レベルに０．１を乗じた数値を引いた値を総合健康度の指数といった仕様である。
さらに本発明は、前記美容レベルと保険リスクとに基づいて総合健康度を算出する総合健康度推定システムを提供する。ここで、総合健康度に関する指標は、ユーザが適宜設定することができる。例えば、美容レベルは未病（病気ではないが健康でもない状態）かどうかを判断する指標である一方で、保険リスクは顕在化している疾病を反映する指標であるから、それぞれのウェイトを調整してから足し合わせるといった仕様でも良い。具体的には、保険リスクから、美容レベルに０．１を乗じた数値を引いた値を総合健康度の指数といった仕様である。
［美容レベル推定方法］
本発明の美容レベル推定方法は、愛玩動物の腸内細菌叢の多様性データを取得するステップと、コンピュータが、前記多様性データと、愛玩動物の腸内細菌叢の多様性データと美容レベルの相関関係とに基づいて、ユーザが飼育する愛玩動物の美容レベルを計算するステップと、を順に備えるものである。さらに、ユーザが飼育する愛玩動物の基礎情報を取得するステップを備えることが好ましく、前記愛玩動物の基礎情報が、少なくとも品種及び年齢である事が好ましい。
また、本発明の美容レベル推定方法は、前記ユーザが飼育する愛玩動物の多様性データと、愛玩動物の腸内細菌の多様性データと美容レベルの相関関係とに基づいて、ユーザが飼育する愛玩動物の美容レベルを計算するステップにおいて導き出された美容レベルを、ユーザが飼育する愛玩動物が食べるフードの情報に基づいて修正するステップを更に備える事が好ましい。多様性データ、美容レベル、相関関係については、上記の美容レベル推定システムと同様である。
本発明の美容レベル推定方法は、愛玩動物の腸内細菌叢の多様性データを取得するステップと、コンピュータが、前記多様性データと、愛玩動物の腸内細菌叢の多様性データと美容レベルの相関関係とに基づいて、ユーザが飼育する愛玩動物の美容レベルを計算するステップと、を順に備えるものである。さらに、ユーザが飼育する愛玩動物の基礎情報を取得するステップを備えることが好ましく、前記愛玩動物の基礎情報が、少なくとも品種及び年齢である事が好ましい。
また、本発明の美容レベル推定方法は、前記ユーザが飼育する愛玩動物の多様性データと、愛玩動物の腸内細菌の多様性データと美容レベルの相関関係とに基づいて、ユーザが飼育する愛玩動物の美容レベルを計算するステップにおいて導き出された美容レベルを、ユーザが飼育する愛玩動物が食べるフードの情報に基づいて修正するステップを更に備える事が好ましい。多様性データ、美容レベル、相関関係については、上記の美容レベル推定システムと同様である。
次に、本発明の技術的特徴について、参考例をもとに詳細に説明する。
［参考例５］
［多様性データに基づく美容レベルの計算］
以下、図２７を参照しながら、多様性データに基づく美容レベルの計算方法の例について説明する。図２７～図２９は、本発明者らがデータを収集し、プロットした腸内細菌叢の多様性データと美容レベルとの相関関係を示すグラフ図である。
図２７は、品種限定のない１－７歳の犬（１３４８１３頭）について、美容レベルの一種である毛艶レベルと多様性指数の相関関係を示したものであり、縦軸は毛艶レベル、横軸は多様性指数（シャノン指数）である。図２７に記載の通り、多様性に関するデータと毛艶レベルに相関関係が存在することがわかる。
［参考例５］
［多様性データに基づく美容レベルの計算］
以下、図２７を参照しながら、多様性データに基づく美容レベルの計算方法の例について説明する。図２７～図２９は、本発明者らがデータを収集し、プロットした腸内細菌叢の多様性データと美容レベルとの相関関係を示すグラフ図である。
図２７は、品種限定のない１－７歳の犬（１３４８１３頭）について、美容レベルの一種である毛艶レベルと多様性指数の相関関係を示したものであり、縦軸は毛艶レベル、横軸は多様性指数（シャノン指数）である。図２７に記載の通り、多様性に関するデータと毛艶レベルに相関関係が存在することがわかる。
ここで、毛艶レベルの設定方法について説明する。先ず、統計学的な解析を行うために、多様性指数を４つの区分（（１）２．０以上、３．０未満、（２）３．０以上、４．０未満、（３）４．０以上、５．０未満、（４）５．０以上、６．０未満）に分けた。この区分ごとに、専門の知識を有する者（トリマー）が毛の艶・光沢を基準に毛艶レベルを判定した。より具体的には、品種限定のない１－７歳の犬のうち、多様性指数２．０以上、３．０未満の群の毛艶の平均値を“０（中間基準）”、多様性指数５．０以上、６．０未満の群の毛艶の平均値を“１（良い基準）”、品種限定のない７歳の犬のうち、多様性指数２．０以上、３．０未満の群の毛艶の平均値を“－１（悪い基準）”として評価を行った。
図２８は、品種限定のない４－７歳の犬（４８５６３頭）について、毛艶レベルと多様性指数の相関関係を示したものであり、比較対象として品種限定のない１－７歳の犬のデータも併記している。図２８に記載の通り、年齢区分を変更しても相関関係が確認できることと、高年齢層については多様性指数の変化に伴う毛艶の変化が大きいことがわかる。
また、美容レベルは毛艶だけに限定されるものではない。例えば、図２９は、標準体重（痩せても太ってもいない範囲）と多様性指数の相関関係を示したものであり、縦軸は標準体重の個体の割合（％）、横軸は多様性指数（シャノン指数）である。図２９に記載の通り、毛艶だけではなく、標準体重についても相関関係が成立しており、標準体重を美容レベルの指標として用いることができることがわかる。
なお、本発明では、標準体重と毛艶を組合わせた指標を設定してもよい。
なお、本発明では、標準体重と毛艶を組合わせた指標を設定してもよい。
Claims (12)
- ユーザが飼育する愛玩動物の腸内細菌叢の多様性データを取得する取得部と、
前記腸内細菌叢の多様性データと、愛玩動物の腸内細菌叢の多様性データと美容レベルの相関関係とに基づいて、ユーザが飼育する愛玩動物の美容レベルを計算する計算部と、
を備える美容レベル推定システム。 - 前記取得部が、さらに、ユーザが飼育する愛玩動物の基礎情報を取得するものである請求項１記載の美容レベル推定システム。
- 前記美容レベルが、毛艶に関するレベル又は体形に関するレベルである請求項１又は２記載の美容レベル推定システム。
- 前記愛玩動物の腸内細菌叢の多様性データが、シャノン指数である請求項１記載の美容レベル推定システム。
- 前記計算部が、愛玩動物の基礎情報を元に算出された美容レベルを、前記愛玩動物の腸内細菌叢の多様性データを用いて導き出される美容変動因子に応じて修正することによって、美容レベルを算出するものである請求項２記載の美容レベル推定システム。
- 愛玩動物の基礎情報が、少なくとも品種及び年齢である請求項２記載の美容レベル推定システム。
- ユーザが飼育する愛玩動物の腸内細菌叢の多様性データを取得する取得部と、学習済みモデルを用いて、前記取得部が取得した腸内細菌の多様性データからその愛玩動物の美容レベルを計算する計算部と、を備える美容レベル推定システムであって、
前記学習済みモデルが、愛玩動物の腸内細菌叢の多様性データと、該愛玩動物の美容レベルとの関係を学習した学習済みモデルであることを特徴とする美容レベル推定システム。 - ユーザが飼育する愛玩動物の腸内細菌叢の多様性データを取得する取得部と、
前記腸内細菌叢の多様性データと、愛玩動物の腸内細菌叢の多様性データと美容レベルとの相関関係とに基づいて、ユーザが飼育する愛玩動物の美容レベルを計算する計算部と、
前記腸内細菌叢の多様性データと、愛玩動物の腸内細菌叢の多様性データと保険リスクとの相関関係とに基づいて、ユーザが飼育する愛玩動物の保険リスクを計算するリスク計算部と、
美容レベルと保険リスクに基づいて、健康度を計算する健康度計算部と、
を備える総合健康度推定システム。 - 愛玩動物の腸内細菌叢の多様性データを取得するステップと、
コンピュータが、前記多様性データと、愛玩動物の腸内細菌叢の多様性データと美容レベルの相関関係とに基づいて、ユーザが飼育する愛玩動物の美容レベルを計算するステップと、
を順に備える美容レベル推定方法。 - さらに、ユーザが飼育する愛玩動物の基礎情報を取得するステップを備える請求項９記載の美容レベル推定方法。
- 前記愛玩動物の基礎情報が、少なくとも品種及び年齢である請求項１０記載の美容レベル推定方法。
- 前記ユーザが飼育する愛玩動物の多様性データと、愛玩動物の腸内細菌の多様性データと美容レベルの相関関係とに基づいて、ユーザが飼育する愛玩動物の美容レベルを計算するステップにおいて導き出された美容レベルを、ユーザが飼育する愛玩動物が食べるフードの情報に基づいて修正するステップを更に備える請求項１０又は１１に記載の美容レベル推定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2023/027236 WO2024024795A1 (ja) | 2022-07-29 | 2023-07-25 | 保険料算出システム、美容レベル推定システム、及び総合健康度推定システム |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022121710 | 2022-07-29 | ||
| JP2022121710 | 2022-07-29 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP7326574B1 true JP7326574B1 (ja) | 2023-08-15 |
| JP2024018856A JP2024018856A (ja) | 2024-02-08 |
Family
ID=87563223
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022176765A Active JP7437479B2 (ja) | 2022-07-29 | 2022-11-02 | 保険料算出システム、保険料算出方法及び負担予測方法 |
| JP2022190464A Active JP7326574B1 (ja) | 2022-07-29 | 2022-11-29 | 美容レベル推定システム、美容レベル推定方法、及び総合健康度推定システム及び総合健康度推定方法 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022176765A Active JP7437479B2 (ja) | 2022-07-29 | 2022-11-02 | 保険料算出システム、保険料算出方法及び負担予測方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (2) | JP7437479B2 (ja) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013065110A (ja) | 2011-09-15 | 2013-04-11 | Omron Corp | 検出装置、該検出装置を備えた表示制御装置および撮影制御装置、物体検出方法、制御プログラム、ならびに、記録媒体 |
| WO2019220939A1 (ja) | 2018-05-15 | 2019-11-21 | 富士フイルム株式会社 | 検体検査管理装置、検体検査管理システム、検体検査管理方法、及びプログラム |
| CN113180004A (zh) | 2021-05-12 | 2021-07-30 | 福建省农业科学院畜牧兽医研究所 | 一种适用于福建白兔幼兔的限制饲养方法 |
| JP2022135180A (ja) | 2021-03-04 | 2022-09-15 | アニコム ホールディングス株式会社 | 疾患予測システム、保険料算出システム及び疾患予測方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2019415009A1 (en) | 2018-12-27 | 2021-05-27 | Societe Des Produits Nestle Sa | Compositions and methods for diagnosing and treating degenerative mitral valve disease in a canine |
| JP7299143B2 (ja) | 2019-11-25 | 2023-06-27 | 富士フイルム株式会社 | 動物用健康リスク評価システム及び動物用健康リスク評価方法 |
| JP2021177344A (ja) | 2020-05-08 | 2021-11-11 | 株式会社Rabo | ペット保険加入支援システム |
-
2022
- 2022-11-02 JP JP2022176765A patent/JP7437479B2/ja active Active
- 2022-11-29 JP JP2022190464A patent/JP7326574B1/ja active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013065110A (ja) | 2011-09-15 | 2013-04-11 | Omron Corp | 検出装置、該検出装置を備えた表示制御装置および撮影制御装置、物体検出方法、制御プログラム、ならびに、記録媒体 |
| WO2019220939A1 (ja) | 2018-05-15 | 2019-11-21 | 富士フイルム株式会社 | 検体検査管理装置、検体検査管理システム、検体検査管理方法、及びプログラム |
| JP2022135180A (ja) | 2021-03-04 | 2022-09-15 | アニコム ホールディングス株式会社 | 疾患予測システム、保険料算出システム及び疾患予測方法 |
| CN113180004A (zh) | 2021-05-12 | 2021-07-30 | 福建省农业科学院畜牧兽医研究所 | 一种适用于福建白兔幼兔的限制饲养方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7437479B2 (ja) | 2024-02-22 |
| JP2024018856A (ja) | 2024-02-08 |
| JP2024018846A (ja) | 2024-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5543688B2 (ja) | ゲノムベースのダイエットデザイン | |
| Heringstad et al. | Genetic analysis of longitudinal trajectory of clinical mastitis in first-lactation Norwegian cattle | |
| San Juan et al. | Captivity reduces diversity and shifts composition of the Brown Kiwi microbiome | |
| US20220165389A1 (en) | Personalized meal diet and exercise providing method using integrated health information and service system | |
| Dawson et al. | A survey of animal welfare experts and practicing veterinarians to identify and explore key factors thought to influence canine and feline welfare in relation to veterinary care | |
| Morton | Humane endpoints in animal experimentation for biomedical research: ethical, legal and practical aspects | |
| WO2022186223A1 (ja) | 疾患予測システム、保険料算出システム及び疾患予測方法 | |
| AU2018334252A1 (en) | Microorganism-related significance index metrics | |
| CN109475305A (zh) | 用于微生物药物基因组学的方法和系统 | |
| CN108699586A (zh) | 用于表征与口相关病症的方法和系统 | |
| Eusebi et al. | Gene expression profiles underlying aggressive behavior in the prefrontal cortex of cattle | |
| WO2022226526A1 (en) | Oral swab-based test for the detection of dental disease states in domestic cats, dogs and other mammals | |
| JP7326574B1 (ja) | 美容レベル推定システム、美容レベル推定方法、及び総合健康度推定システム及び総合健康度推定方法 | |
| WO2023276476A1 (ja) | 疾患罹患予測システム、保険料算出システム、疾患罹患予測方法及び保険料算出方法 | |
| WO2024024795A1 (ja) | 保険料算出システム、美容レベル推定システム、及び総合健康度推定システム | |
| EP3881336A1 (en) | Method or system for diagnosing periodontal disease | |
| WO2022163824A1 (ja) | 肥満の予測方法 | |
| JP2021508488A (ja) | データの解釈、ならびにユーザの遺伝的データ及び腸内マイクロバイオータの組成に関するデータに基づいてユーザに推奨事項を提供するシステム及び方法 | |
| JP7199486B1 (ja) | 予測装置、予測システム及び予測方法 | |
| JP2023006875A (ja) | 死亡予測システム及び死亡予測方法 | |
| WO2021049510A1 (ja) | 情報処理システムおよびプログラム | |
| US20230048974A1 (en) | Systems and methods for improving livestock health and performance | |
| CN116802317A (zh) | 肥胖的预测方法 | |
| JP2024004404A (ja) | フード提案システム及びフード提案方法 | |
| KR20240033008A (ko) | 집고양이의 다양한 질병 상태를 감지하기 위한 구강 면봉-기반 검사 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230526 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230526 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230704 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230802 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7326574 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |